ROCm安装过程中系统崩溃问题的分析与解决

问题背景

在将操作系统迁移至NVMe固态硬盘后，用户在进行ROCm 6.4版本安装时遇到了系统反复崩溃的问题。该问题表现为在安装过程中系统意外重启，导致驱动安装不完整，进而影响GPU的正常识别和使用。

问题现象

1. 使用amdgpu-install工具安装ROCm 6.4时，安装过程中系统突然崩溃并重启
2. 重启后检查dkms状态，显示amdgpu驱动已添加但未完成安装
3. 尝试手动安装内核模块时，系统在构建过程中再次崩溃
4. 最终导致GPU无法被系统正确识别，显示效果异常

根本原因分析

经过排查，发现问题的根源在于系统缺少必要的Python依赖包。具体来说，安装过程中缺少以下两个关键组件：

• python3-setuptools
• python3-wheel

这些Python工具包是ROCm安装过程中的重要依赖项，它们的缺失会导致安装程序无法正确执行某些关键操作，从而引发系统不稳定甚至崩溃。

解决方案

1. 在尝试安装ROCm之前，首先确保系统已安装必要的Python依赖：

sudo apt install python3-setuptools python3-wheel

2. 完成上述依赖安装后，再执行ROCm的标准安装流程：

sudo amdgpu-install -y --usecase=rocm

经验总结

1. 依赖完整性检查：在进行类似ROCm这样的复杂软件栈安装前，应当全面检查系统依赖项的完整性，特别是构建工具和Python相关组件。

2. 硬件环境变化：当系统硬件环境发生重大变化（如从SATA SSD迁移到NVMe SSD）时，可能需要重新评估软件依赖关系。

3. 安装日志分析：遇到安装问题时，应仔细查看安装日志，往往能从中发现缺失的依赖项或配置问题。

4. 系统稳定性：系统在软件安装过程中出现崩溃重启，通常表明存在严重的依赖缺失或配置错误，不应简单重复尝试安装。

预防措施

为避免类似问题再次发生，建议采取以下预防措施：

1. 在安装ROCm前，先运行系统更新：

sudo apt update && sudo apt upgrade -y

2. 安装常用开发工具链：

sudo apt install build-essential dkms linux-headers-$(uname -r)

3. 对于Python相关依赖，可以安装完整的Python开发环境：

sudo apt install python3-dev python3-pip python3-venv

通过以上措施，可以确保系统具备完整的开发环境，为ROCm等复杂软件的安装提供稳定的基础。